基于局部区域信息的水平集医学图像分割方法

针对医学图像中存在的亮度分布不均匀(intensity inhomogeneity)的特点,对Chan-Vese提出的基于Mumford-Shah模型的水平集分割图像的算法进行了改进。局部区域信息是对亮度分布不均匀图像进行准确分割的关键,但是传统的基于区域信息的C-V模型没有利用到这种局部区域的图像信息,因此无法正确分割强度分布不均匀图像。利用局部区域信息构造能量函数,提出了一种基于局部区域信息的改进C-V模型。该模型无需大量计算,水平集函数可快速收敛。MR图像、血管造影图像和X线骨折图像的实验结果证明了该方法的高效性。

自适应局部区域型水平集分割算法

灰度不均匀现象普遍存在于自然图像和医学图像中,因此使用传统的图像分割方法很难精准的分割出目标物,从而导致图像分割在模式识别和临床医学的应用中会出现很多问题.为了更好地改善分割效果,解决灰度不均匀现象所带来的问题,本文结合图像的自适应梯度权重信息和局部区域信息提出一种新型的水平集分割算法.由于图像的梯度信息具有稳定性,因此文中通过在局部区域中使用自适应梯度权重信息,达到结合图像边缘信息和区域信息的目的以提高算法鲁棒性.同时,文中使用的梯度权重滤波增加了图像对比度,因此分割的效果有了显著改善.最后,通过与LCV(local Chan-Vese)模型和LIC(local intensity clustering)模型的对比实验来验证本文分割方法的有效性和鲁棒性.在实验对比中,本文方法均得到比较令人满意的结果,充分展示其在处理灰度不均匀图像上的优势.

局部区域拟合的快速水平集图像分割方法

目的由于灰度不均匀图像在不同目标区域的灰度分布存在严重的重叠,对其进行分割仍然是一个难题;同时,图像中的噪声严重降低了图像分割的准确性。因此,传统水平集方法无法鲁棒、精确、快速地对具有灰度不均匀性和噪声的图像进行分割。针对这一问题,提出一种基于局部区域信息的快速水平集图像分割方法。方法灰度不均匀图像通常被描述为一个分段常数图像乘以一个缓慢变化的偏移场。首先,通过一个经过微调的多尺度均值滤波器来估计图像的偏移场,并对图像进行预处理以减轻图像的不均匀性;然后,利用基于偏移场校正的方法和基于局部区域信息拟合的方法分别构建能量项,并利用演化曲线轮廓内外图像灰度分布的重叠程度,构建权重函数自适应调整两个能量项之间的权重;最后,引入全方差规则项对水平集进行约束,增强了数值计算的稳定性和对噪声的鲁棒性,并通过加性算子分裂策略实现水平集快速演化。结果在具有不同灰度不均匀性和噪声图像上的分割结果表明,所提方法不但对初始轮廓的位置、灰度不均匀性和各种噪声具有较强的鲁棒性,而且具有高达94.5%的分割精度和较高的分割效率,与传统水平集方法相比分割精度至少提高了20.6%,分割效率是LIC(local intensity clustering)模型的9倍;结论本文提出一种基于局部区域信息的快速水平集图像分割方法。实验结果表明,与传统水平集方法相比具有较高的分割精度和分割效率,可以很好地应用于具有灰度不均匀和噪声的医学、红外和自然图像等的分割。

用于灰度不均图像分割的自适应灰度拟合模型

针对灰度不均图像的分割问题,提出了一个结合全局信息的局部区域自适应灰度拟合模型。首先,分别利用图像的局部和全局信息构造了局部拟合项和全局拟合项;其次,利用像素点邻域内灰度的极差反映该点邻域内灰度的偏差程度,并以此定义了一个自适应权值函数;最后,利用定义的权值函数为局部项和全局项自适应赋权值,得到所提模型的能量泛函,并使用变分法推导出模型的水平集函数迭代方程。数值实现采用有限差分法。实验结果表明,与区域可变灰度拟合(RSF)模型和局部和全局灰度拟合(LGIF)模型相比,所提模型不仅能够稳定、准确地分割多种灰度不均图像,而且对演化曲线初始轮廓的位置、大小和形状具有更强的鲁棒性。

A novel denoising method for infrared image based on bilateral filtering and non-local means

This paper presents an image denoising method based on bilateral filtering and non-local means. The non-local region texture or structure of the image has the characteristics of repetition, which can be used to effectively preserve the edge and detail of the image. And compared with classical methods, bilateral filtering method has a better performance in denosing for the reason that the weight includes the geometric closeness factor and the intensity similarity factor. We combine the geometric closeness factor with the weight of non-local means, and construct a new weight. Experimental results show that the modified algorithm can achieve better performance. And it can protect the image detail and structure information better.